Analytics, l’âge de la maturité ? Dans son dernier rapport , McKinsey examine comment les analytics avancés offrent des leviers inédits et un avantage compétitif aux organisation les plus rapides.
Aujourd’hui, 50% des CEO interrogés se déclarent garants du sujet analytics.
Le cabinet de conseil en stratégie livre 9 insights aux CEO :
Si les analytics recèlent des promesses d’opportunités et de disruption, peu de leaders sont capables d’expliquer comment
En fait seule une minorité de CEO est capable de répondre à la question “Où voulons nous être dans 5 ans grâce aux analytics avancés ?”. Parallèlement certaines sociétés avancées ont dépassé le stade de l’accumulation, s’ouvrent au partage de données et même aux pooling de Data au sein de consortium au niveau industriel ou vertical.
D’autres organisations conçoivent des produits enrichis de Data analytics ou offrent maintenant leurs données premium encapsulées dans des services enrichis comme ces fabricants de moteurs de Jets qui vendent désormais des heures de vols plutôt que des moteurs.
La question à se poser est comment à long terme l’usage, la collecte et le partage d’analytics peuvent disrupter les business models à long terme ? Que peut-on apprendre d’industries plus avancées ?
Pour capturer les nouvelles opportunités il s’agit d’abord d’analyser les Data actuelles et leur valeur distinctive (et pour qui). Il faut aussi se demander à quelles autres données elles peuvent être combinées afin d’accroître leur valeur.
Peu de sociétés savent où et comment les analytics peuvent créer de la valeur
La capacité de quantifier, prioritiser, et planifier une stratégie d’analytics avancés est essentielle.
Le CEO d’une grande société de produits de consommation grand public a ainsi confié avoir réalisé près de 4 milliards de dollars de bénéfices en appliquant le machine learning et des analytics avancés aux deux fonctions de Revenue Management et de Supply Chain.
Mais rares sont les CEO disposant d’une vision aussi détaillée de la chaîne de valeur. La plupart des sociétés font plutôt de l’analytics pour l’analytics. De fait, peu de CEO ont examiné les analytics sous l’angle de la création de nouvelles sources de revenu.
Identification et process
McKinsey recommande ainsi d’examiner avec le Comité exécutif quelles sources de data recèlent le plus grand potentiel de valeur. Dans l’assurance il s’agira des modèles de risques tandis que dans les entreprises de produits de grande consommation la valeur des analytics se trouvera le plus souvent dans la gestion des inventaires et le développement de nouveaux produits.
Un grande société peut ainsi isoler jusqu’à 100 cas d’usage et évaluer comment de nouvelles data ou de nouvelles technologies peuvent y être appliquées tout en les confrontant à des benchmarks externes. Il s’agira enfin de prioritiser les projets en fonction de leur business potentiels, faisabilité ou time to market.
La Data science est la partie facile
La vraie difficulté est d’identifier la bonne donnée et la rendre exploitable. La conversation la plus récurrente est “Nous passons la majorité du temps à obtenir la data”… La modélisation reste la partie la plus aisée.
La vision d’une “source unique de vérité” reste complexe car chaque département utilise différentes méthodes de calcul pour une même métrique… Par ailleurs peu de sociétés ont incorporé un système de données en temps réel dans leur business process. Enfin, la mise en place d’identifiants uniques communs entre les données transactionnelles et les profils clients reste largement incomplète.
Connecter la stratégie Data à la stratégie Analytics
Quelles data peuvent devenir des assets à monétiser ? Il est important d’identifier les sources de données propriétaires sans oublier de constituer des cas d’usage en matière de stratégies d’acquisitions de data auprès de vendeurs externes ou en mode Open Source.
Parallèlement la mise en place d’une gouvernance de la Data, d’une politique de méta-données de contrôles qualité, de méthodologies de réconciliation et la constitution progressive d’un Data Lake permettent de s’assurer d’une donnée exploitable et valorisable.
Démocratiser l’accès à la Data
“La data n’est pas valide” est l’une des critiques récurrente des stratégies data. En donnant aux différents départements la responsabilité de la qualité et l’accès à la data, l’entreprise peut résoudre le problème crucial et très courant de la fiabilité des données. A cet égard, l’ouverture et l’accès en self service sont souvent clé pour infuser les analytics dans l’organisation et accélérer la collaboration entre départements.
La définition, la création, la curation et la validation de la data doivent ainsi faire l’objet d’une gouvernance dans l’ensemble de l’organisation encadrée par deux principes : la responsabilité et l’accès.
Incorporer des analytics relève autant du Change Management que de la Data science…
Autre question fréquente : comment faire pour que les équipes terrain s’approprient les insights générés par les outils d’analytics ?
La technologie ne suffit pas comme le révèle Jeffrey Immelt CEO de GE : “Je pensais qu’en embauchant des milliers de profils technologiques, qu’en mettant à jour nos logiciel cela suffirait… J’avais tort… Les responsables produits doivent être différents, les commerciaux doivent être différents, le support sur site doit être différent…”
Les gens achètent le changement lorsqu’ils en font partie.
Avant toute chose, le leadership de la société doit montrer – d’une façon visible – son engagement envers les analytics. Il doit aussi veiller à intégrer les insights dans le workflow afin de rendre les process indolores et invisibles précise un Directeur dont l’équipe commerciale a longtemps résisté aux leads générés par un modèle analytique, préférant se fier à ses propres instincts jusqu’à ce que les résultats soient incorporés avec succès et de manière naturelle et invisible dans le process de lead management.
Le design de solutions analytics doit donc être orienté utilisateur. Mc Kinsey souligne ainsi dans les entreprises le rôle de “traducteur” profil rare capable de traduire les données de data science en impacts business.
Le schéma ideal : le business identifie l’opportunité, le data scientist développe l’algorithme et le designer UX (User Experience) réalise l’interface métier, les développeurs logiciels réalisent la production, les ingénieurs process refondent le workflow et les “Change agents” assurent la mise en place
L’amour de la mesure
Quels sont les bons métriques et comment appliquer de la valeur aux analytiques en plus de tout ce que fait mon équipe ? Cette question revient souvent. Sans mesure et communication autour de la mesure il n’y aura pas d’adoption. Une stratégie de mesure efficace connecte d’une manière détaillée les métriques aux résultats business.
Un dashboard automatisant les analytics clés, incorporés aux indicateurs de performance permet de piloter le business d’une manière plus granulaire et efficace.
“Les chiffres n’ont de valeur que lorsqu’ils sont mis au travail.”
Il n’y a pas de modèle opérationnel universel d’Analytics
Même si une fonction centrale est en charge des bonnes pratiques et du déploiement à grande échelle, la responsabilité de la capture de valeur réside dans les business units en charge de la fameuse “Bottom Line”.
L’important, insiste McKinsey, est que le modèle opérationnel d’analytics soit cohérent avec le business model.
Le modèle organisationnel doit ainsi refléter les forces de la structure existante. Les trois questions à se poser pour évaluer sa structure d’analytics sont :
- Les décisions sont-elles prises rapidement ?
- Y’at-il un input business dans les solutions analytiques existantes ?
- Est-ce que je capture la valeur attendue de ces solutions ?
Former les “traducteurs”
La plupart des sociétés interrogées par McKinsey dans le cadre de l’étude disposent de Data Scientists en revanche elles manquent de ces fameux “traducteurs” disposant d’une expertise analytics et business capable de détecter des opportunités, identifier des problèmes et challenger le statu quo.
Beaucoup de CEO confient leur difficulté à trouver ces perles rares parlant à la fois le langage technologique et le langage du business. Pour les détecter et les faire émerger, McKinsey conseille ainsi de mettre en place des formations voire des certifications analytics sans oublier d’inclure des training aux Leadership Skills et au Change Management.
Vers une culture test & learn Data Driven
Dans la mise en place des Centres d’Excellence analytics (COE) il convient également de s’inspirer de la culture des startups pour être capable d’itérer vite, de créer des “sandbox” avec un minimum de contraintes et de communiquer les bonnes comme les mauvaises nouvelles afin de générer rapidement de nouvelles idées ou des insights contre-intuitifs.
Pour sortir des hypothèses, des a priori et valider les décisions par la data, la communication de mauvaises nouvelles doit être considérée comme du “business as usual” souligne McKinsey. “Nous échouons plus souvent que nous réussissons…” précise le leader d’une practice analytics “… Mais nous apprenons rapidement de nos échec pour progresser dans les prochaines itérations”.
La clé pour réussir : un certain sens de l’urgence et la volonté d’aborder les choses différemment conclut le rapport.
